随机扰动梯度近似中的矩收敛率

采用递归估计器的序列求函数的最小值 ,并扩展了Spall的同步扰动随机近似方法 ,进而提出随机扰动梯度近似算法 .对于任意的 1≤q<∞ ,可用估计误差的范数Lq 来度量收敛率 ,序列的收敛速度为O(n- 2 ) ,( >0 ) .在最小点上 ,若代价函数的Hessian矩阵的所有本征值都在 1 2的右面 ,则误差指数 2可任意地接近 1 2 ,并且代价函数足够光滑 ,还可使用导数的高阶近似     

不变时滞线性系统的混沌反控制

针对一类具有不变时滞的线性系统,运用泰勒公式,得到系统最大李雅普诺夫(Lyapunov)指数的表达式,获得系统对初始条件敏感的判断依据.此外,构造合适的李雅普诺夫函数,基于泛函微分方程的有界性引理,得到关于系统的解有界的判断准则.结合系统敏感性和有界性的理论结果,获得不变时滞线性系统混沌化的充分条件.最后,数值仿真出最大Lyapunov指数随时滞参数变化的图形,并做出在相应时滞参数下的相图.仿真结果验证了理论结果的有效性.     

一种用于室内定位的线性规划算法

针对基于ToA定位中存在的信标节点较少和发送时间不能提前预知的问题,提出了一种新的应用于无线传感网络室内定位的线性规划算法.通过考虑测量值的最小平均绝对值误差,利用线性逼近方法,将一个复杂的、非凸的室内定位问题转换为一个简单的线性规划问题,并用迭代求精的方法求出最优解.仿真结果表明,提出算法计算复杂度低,收敛速度快,可以快速地求出未知节点的坐标;通过和已有的定位算法相比,提出算法在信标节点较少的情况下,仍能保持很好的定位精度,利用较少的节点资源达到比已有算法更好的定位性能.     

一种改进的无人工变量单纯形算法

对Arsham的算法作了重要改进以便使其运行得更好,目标使所有基人工变量之和最小。首先,对非基变量按其简约价值系数从大到小逐列向前搜寻,将满足条件的变量带入基变量集,当简约价值系数为非正时终止。然后,以目标当前值与最优值的均值作为临界值,应用经典单纯形算法求解,当目标值超过临界值时,重复上述过程,直至基变量集处于完全状态。在计算机上对24个标准测试问题进行初步数值试验,计算结果表明,本文提出的改进算法比经典单纯形算法所用的总迭代次数要少得多,在22个问题上耗费更少的计算时间,大大改进了Arsham算法的计算效率,比Gao的一种改进算法的计算性能更稳定,因而是有价值的。     

GL(n,k)在GL(n,F)中的扩群

当F是无限域,K是F的子域,且[ F:K] < n(n - 1) 时,本文给出了GL(n ,k)在GL(n ,F) 中的全部扩群,从而得出GL( n,F) 的一类极大子群     

内向量不同选取下线性多步法和单支法的代数稳定性

讨论了在内向量不同选取下的线性多步法和单支法的代数稳定性。结果表明,同一线性多步方法,如果内向量选取不同,则代数和稳定性的结论可能是不同的,而在内向量各种不同选取产代数稳定的方法是唯一的,这就是Ｇｅａｒ方法;但对于单支方法,尽管在内向量不同选取下,可得到不同的一般线性方法,但是代数稳定性的结论是相同的。说明在求解非线性常微分方程初值问题时,单支法比线性多步法优越。     

关于单纯形方法的一点注记

通过高斯－约当消元法,对极小化的标准形式的线性规划问题,求得某个单位矩阵的基B对应的基本解,但此基本解既不是原始问题的可行解,也不是对偶问题的可行解,在此情形下作者给出了直接求解某一类线性规划问题的扩充的单纯形法。     

基于SDCN算法的鲁棒性语音命令识别

提出了一种基于ＳＤＣＮ算法的鲁棒性语音命令识别。依赖于信噪比的倒谱正常化（ＳＤＣＮ）算法直接在倒谱域根据输入语音帧的信噪比（ＳＮＲ）来增加一补偿矢量,从而恢复未受污染的净语音信号,补偿矢量直接从训练环境和测试环境中记录的语音倒谱中逐帧比较得到,该算法对退化的环境具有很强的鲁棒性,实验结果证明,该算法简单,有效。     

推广线性二阶抛物型方程Cauchy问题解的Feynman-Kac定理

在金融数学中,用跳跃－扩散型随机微分方程模型描述证券价格过程中更为符合实际,讨论了由高维Ｐｏｉｓｓｏｎ过程和Ｂｒｏｗｎ运动共同驱动的随机微分方程的Ｆｅｙｎｍａｎ－Ｋａｃ定理。首先建立了高维Ｐｏｉｓｓｏｎ过程听两个基本性质,在此基础上,导出了推广的向后热传导方程Ｃａｕｃｈｙ问题解的Ｆｅｙｎｍａｎ－Ｋａｃ定理,其次,利用Ｂｕｒｋｈｏｌｄｅｒ不等式建立了跳跃－扩散随机过程的矩不等式,并由此建立了推广的二     

对心直动滚子从动件盘形凸轮廓线长度的计算

从从动件几种常用运动规律—等速运动、等加速等减速运动、简谐运动和摆线运动入手 ,讨论了对心直动滚子从动件盘形凸轮廓线长度的计算式 ,分析了盘形凸轮的最大压力角及其位置。